Fugu-MT 論文翻訳(概要): Learning stable reduced-order models for hybrid twins

論文の概要: Learning stable reduced-order models for hybrid twins

arxiv url: http://arxiv.org/abs/2106.03464v1
Date: Mon, 7 Jun 2021 09:47:01 GMT
ステータス: 処理完了
システム内更新日: 2021-06-08 17:49:02.989562
Title: Learning stable reduced-order models for hybrid twins
Title（参考訳）: 双子双生児の安定低次モデル学習
Authors: Abel Sancarlos, Morgan Cameron, Jean-Marc Le Peuvedic, Juliette Groulier, Jean-Louis Duval, Elias Cueto, Francisco Chinesta
Abstract要約: ハイブリッドツインの概念は、物理モデルに基づくモデルをモデル順序還元フレームワーク内で組み合わせて、リアルタイムのフィードバック率とデータサイエンスを得る。本稿では,Hybrid Twinフレームワークにおける安定,高速,高精度な補正の計算に着目する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The concept of Hybrid Twin (HT) has recently received a growing interest thanks to the availability of powerful machine learning techniques. This twin concept combines physics-based models within a model-order reduction framework-to obtain real-time feedback rates-and data science. Thus, the main idea of the HT is to develop on-the-fly data-driven models to correct possible deviations between measurements and physics-based model predictions. This paper is focused on the computation of stable, fast and accurate corrections in the Hybrid Twin framework. Furthermore, regarding the delicate and important problem of stability, a new approach is proposed, introducing several sub-variants and guaranteeing a low computational cost as well as the achievement of a stable time-integration.
Abstract（参考訳）: ハイブリッドツイン(ht)の概念は最近、強力な機械学習技術が利用可能になったことで、関心が高まっている。この双対の概念は、リアルタイムフィードバック率とデータサイエンスを得るために、モデル順序還元フレームワーク内の物理モデルを組み合わせる。したがって、HTの主な考え方は、測定と物理に基づくモデル予測の偏差を補正するために、オンザフライのデータ駆動モデルを開発することである。本稿では,Hybrid Twinフレームワークにおける安定,高速,高精度な補正の計算に着目する。さらに,安定性の繊細で重要な問題に関して,いくつかの部分変数を導入し,低計算コストと安定な時間積分の達成を保証する新しい手法を提案する。

関連論文リスト

Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文参考訳（メタデータ） (2024-10-31T07:28:22Z)
SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
論文参考訳（メタデータ） (2024-07-10T08:40:07Z)
FASTopic: Pretrained Transformer is a Fast, Adaptive, Stable, and Transferable Topic Model [76.509837704596]
本稿では,高速で適応的で,安定で,移動可能なトピックモデルであるFASTopicを提案する。我々はDSR(Dual Semantic-Relation Reconstruction)を用いて潜在トピックをモデル化する。また, セマンティック関係を最適輸送計画として正規化するためのETP(Embedding Transport Plan)を提案する。
論文参考訳（メタデータ） (2024-05-28T09:06:38Z)
Generalization capabilities and robustness of hybrid machine learning models grounded in flow physics compared to purely deep learning models [2.8686437689115363]
本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。 3つの自己回帰モデルを比較した。畳み込み自己エンコーダと畳み込みLSTM、変分自己エンコーダ(VAE)とConvLSTMと適切な分解(POD)とLSTM(POD-DL)を組み合わせたハイブリッドモデルである。 VAEおよびConvLSTMモデルは層流を正確に予測する一方で、ハイブリッドPOD-DLモデルは層流と乱流の双方において他のモデルよりも優れていた。
論文参考訳（メタデータ） (2024-04-27T12:43:02Z)
Introducing Hybrid Modeling with Time-series-Transformers: A Comparative Study of Series and Parallel Approach in Batch Crystallization [0.0]
既存のデジタルツインのほとんどは、ディープニューラルリカレントと畳み込みニューラルネットワーク(DNN、RNN、CNN)を使用して、化学系のダイナミクスを捉えるデータ駆動ブラックボックスモデルに依存している。近年,マルチヘッドアテンション機構と位置符号化を利用したアテンションベースの時系列変換器(TST)は,高い予測性能を示した。バッチ結晶化のための第1世代のTSTベースのハイブリッドフレームワークが開発され、従来のブラックボックスモデルと比較して精度と解釈性が向上した。
論文参考訳（メタデータ） (2023-07-25T15:19:51Z)
An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文参考訳（メタデータ） (2023-06-10T08:25:16Z)
MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。 MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文参考訳（メタデータ） (2023-04-27T09:11:40Z)
Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文参考訳（メタデータ） (2022-06-13T03:41:31Z)
Integrating Physics-Based Modeling with Machine Learning for Lithium-Ion Batteries [4.946066838162504]
本稿では,LiBの高精度モデリングを実現するために,物理モデルと機械学習を統合する2つの新しいフレームワークを提案する。これらのフレームワークは、物理モデルの状態情報の機械学習モデルに通知することで特徴付けられる。この研究はさらに、老化を意識したハイブリッドモデリングの実施へと拡張され、予測を行うために健康状態に意識したハイブリッドモデルの設計につながった。
論文参考訳（メタデータ） (2021-12-24T07:39:02Z)
Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
論文参考訳（メタデータ） (2021-06-17T00:49:55Z)
Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。このようなモデルをリアルタイム診断に利用しています。
論文参考訳（メタデータ） (2020-03-04T00:44:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。